DeepSeek LoRA微调+Ollama，微调模型本地部署终极指南！

最新推荐文章于 2025-03-21 14:53:40 发布

雪碧没气阿

最新推荐文章于 2025-03-21 14:53:40 发布

阅读量4.8k

点赞数 37

文章标签：人工智能 DeepSeek 大模型微调 ollama lora 大语言模型 LLM

本文链接：https://blog.csdn.net/xxue345678/article/details/145733777

版权

最近deepseek非常火爆，在学习对deepseek进行微调训练后，尝试把模型部署到本地。以下记录下怎么保存模型以及怎么载入Ollama的过程。

模型保存

我使用的Transformers 的 trainer 进行的训练。

在配置TrainingArguments 的 output_dir 以及save_steps后我以为会自动根据相关参数进行保存，但当我使用相应的checkpoint的时候并未调用成功，具体什么原因还没搞清楚。

所以要trainer.save_model 确保模型保存成功。并且可以把训练的模型状态保存下来，下次调用可以更快。

trainer.train()

#进行模型训练后进行一下保存确保模型保无误
trainer.save_model('result/best')#保存路径

保存后的模型文件夹列表：

#微调的配置文件
adapter_config.json

#微调后的权重文件，我理解为微调后的小模型
adapter_model.safetensors

#模型训练的参数以及配置
training_args.bin

上面我们保存是训练好的LoRA模型，从文件大小上就可以看出来。

我们要转换gguf文件需要保存完整训的模型，可以使用model.save_pretrained 进行保存

    #输出目录
    model.save_pretrained("./output_model")

如果我们训练完成后关闭了文件。可以再次调用已经保存的lora模型与基座模型进行融合并保存

    from peft import PeftModel

    from transformers import LlamaForCausalLM

    #载入模型
    model = LlamaForCausalLM.from_pretrained('./model', load_in_8bit=False, device_map="auto")

    #载入微调后的模型文件
    model = PeftModel.from_pretrained(model, './you-lora-model', device_map="auto",trust_remote_code=True)

    #合并模型
    merged_model = model.merge_and_unload() 

    #保存模型
    merged_model.save_pretrained(save_path)

转换为gguf

首先介绍下什么是gguf文件。我理解它是一种把模型转换（打包）为一个文件的文件格式，便于调用。

我用到的是llama.cpp

在这里插入图片描述

直接上github 下载下来。

    git clone <https://github.com/ggerganov/llama.cpp.git>

然后cd 到你的下载目录中进行安装

    #如果使用的conda 的时候 cd 后面跟上 /d 
    #例如：   cd /d F:/py/output

    pip install -r ./requirements.txt

安装完成后我们就可以直接开始转换了,直接调用目录下的convert_hf_to_gguf.py 文件。输入你训练好的模型地址，以及要保存的地址以及保存的文件名。

    python ./convert_hf_to_gguf.py ./qwen2_0.5b_instruct   --outfile ./qwen2_0.5b_instruct_my.gguf

运行完成后，我们就可以在目录下面看见xx.gguf文件了

载入 Ollama

要载入ollama 其实非常简单，在你的gguf 文件夹内新建一个文件名为 Modelfile 无后缀名。用记事本打开，写入 ./you-mode.guuf 你要载入的gguf模型文件。具体每个模型参数不同可查看该模型文档。

然后用 ollama create 命令

    ollama create you_model-name -f Modelfile

载入完成后用 ollama list 就可以查看到你的模型，之后就可以愉快的玩耍了。

DeepSeek无疑是2025开年AI圈的一匹黑马，在一众AI大模型中，DeepSeek以低价高性能的优势脱颖而出。DeepSeek的上线实现了AI界的又一大突破，各大科技巨头都火速出手，争先抢占DeepSeek大模型的流量风口。

DeepSeek的爆火，远不止于此。它是一场属于每个人的科技革命，一次打破界限的机会，一次让普通人也能逆袭契机。

DeepSeek的优点

read-normal-img

掌握DeepSeek对于转行大模型领域的人来说是一个很大的优势，目前懂得大模型技术方面的人才很稀缺，而DeepSeek就是一个突破口。现在越来越多的人才都想往大模型方向转行，对于想要转行创业，提升自我的人来说是一个不可多得的机会。

那么应该如何学习大模型

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

想正式转到一些新兴的 AI 行业，不仅需要系统的学习AI大模型。同时也要跟已有的技能结合，辅助编程提效，或上手实操应用，增加自己的职场竞争力。

大模型岗位需求越来越大，但是相关岗位人才难求，薪资持续走高，AI运营薪资平均值约18457元，AI工程师薪资平均值约37336元，大模型算法薪资平均值约39607元。

read-normal-img

掌握大模型技术你还能拥有更多可能性：

• 成为一名全栈大模型工程师，包括Prompt，LangChain，LoRA等技术开发、运营、产品等方向全栈工程；

• 能够拥有模型二次训练和微调能力，带领大家完成智能对话、文生图等热门应用；

• 薪资上浮10%-20%，覆盖更多高薪岗位，这是一个高需求、高待遇的热门方向和领域；

• 更优质的项目可以为未来创新创业提供基石。

可能大家都想学习AI大模型技术，也想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。为了让大家少走弯路，少碰壁，这里我直接把都打包整理好，希望能够真正帮助到大家。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

read-normal-img

第一阶段：从大模型系统设计入手，讲解大模型的主要方法；

第二阶段：在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段：大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段：大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段：大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段：以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈
光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

read-normal-img